論文の概要: Machine Learning-based Correlation of Charpy Impact Properties Between Sub-sized and Standard-sized Specimens for Nuclear Structural Materials

• arxiv url: http://arxiv.org/abs/2607.10412v1
• Date: Sat, 11 Jul 2026 17:39:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.425628
• Title: Machine Learning-based Correlation of Charpy Impact Properties Between Sub-sized and Standard-sized Specimens for Nuclear Structural Materials
• Title（参考訳）: 機械学習による核構造材料のサブサイズと標準サイズのシャルピー衝撃特性の相関
• Abstract要約: サブサイズおよびフルサイズ標本間のシャルピー衝突試験結果の信頼性相関は構造的整合性評価に不可欠である。 機械学習(ML)ベースのフレームワークは、標本サイズ間でシャルピーの影響特性を関連付けるために提案されている。
• 参考スコア（独自算出の注目度）: 33.36535354628318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable correlations of Charpy impact test results between sub-sized and full-sized specimens are essential for structural integrity assessments, particularly in nuclear applications, where spatial constraints and limited material volume restrict specimen size. Although standards such as ASTM A370 and BS 7910 provide guidance on conversion methodologies, and numerous analytical correlation methods have been proposed in prior studies, these approaches generally have limited accuracy and their applicability is often constrained to specific materials, treatment conditions, and specimen geometries. In this study, a Machine Learning (ML)-based framework is proposed for correlating Charpy impact properties across specimen sizes. The proposed approach maps absorbed energy values across the full ductile-to-brittle transition region by applying a temperature shift combined with scaled residual projection, to align sub-sized test data with full-sized response. From the resulting temperature-energy profiles, the correlated values for upper shelf energy (USE) and ductile-to-brittle transition temperature (DBTT) are extracted by fitting data with a hyperbolic tangent model. The framework is validated using a dataset comprising 389 matched sub-sized and full-sized Charpy impact tests on SA533B steel. This ML-based approach demonstrates an improved correlation performance relative to conventional analytical methods, achieving R2 values of 0.942 for USE and 0.892 for DBTT. The trained ML models do not require access to full-sized Charpy data during inference, making this approach suitable for material surveillance programs, accelerated irradiation testing, and other applications involving small-size Charpy impact testing.
• Abstract（参考訳）: サブサイズおよびフルサイズの試料間のシャルピー衝突試験結果の信頼性の相関は、特に、空間的制約と限られた物質体積が標本サイズを制限する核実験において、構造的整合性評価に不可欠である。 ASTM A370やBS 7910のような標準は変換手法のガイダンスを提供しており、多くの解析的相関法が先行研究で提案されているが、これらの手法は一般的には精度が限られており、その適用性は特定の材料、治療条件、試料の地形に制限されることが多い。 本研究では, 標本サイズ間でのシャルピー影響特性を関連付けるため, 機械学習(ML)ベースのフレームワークを提案する。 提案手法は, 大規模残留射影と組み合わせた温度シフトを適用して, 吸収エネルギーを全延性-脆性遷移領域にわたってマッピングし, サブサイズ試験データをフルサイズ応答に整合させる。 得られた温度-エネルギープロファイルから, 双曲タンジェントモデルを用いて上棚エネルギー(USE)と延性-脆性遷移温度(DBTT)の相関値を抽出した。 SA533B鋼上での389個のマッチしたサブサイズおよびフルサイズのシャルピー衝撃試験からなるデータセットを用いて,本フレームワークの有効性を検証した。 このMLに基づく手法では,従来の解析手法と比較して相関性能が向上し,USE 0.942 と DBTT 0.892 の R2 値が得られた。 トレーニングされたMLモデルは、推論中にフルサイズのCharpyデータにアクセスする必要がないため、このアプローチは、物質監視プログラム、加速された照射テスト、および小型のCharpy影響テストを含む他のアプリケーションに適合する。

関連論文リスト

• Deep Learning-Based Characterization of Detonation-Cell Size Distributions in Soot-Foil Records [2.238128434525916]
  深層学習インスタンスセグメンテーション(Mask R-CNN)に基づくデトネーションセルの自動認識と高次特徴抽出手法を提案する。 その結果、ベンチマーク検証における高ピクセルレベルの一致と、複雑な現実世界のすすきのノイズに対する強靭性を示す。 提案手法は, 統計的解析の効率性と客観性を向上し, 実験用および数値用スズホイルのための強力なデータ抽出ツールを提供する。
  論文  参考訳（メタデータ） (2026-07-04T08:32:39Z)
• Benchmarking Tabular Foundation Models for Conditional Density Estimation in Regression [2.4816602844974835]
  条件密度推定は、不均一性、多モード性、あるいは非対称不確実性の設定において必須である。 TabPFNやTabICLのようなテーブル基礎モデルは自然に予測分布を生成するが、汎用CDE手法としての有効性は体系的に評価されていない。 39の現実世界のデータセット上で、パラメトリック、ツリーベース、ニューラルCDEベースラインの多種多様なセットに対して、3つのモデル変種をベンチマークする。
  論文  参考訳（メタデータ） (2026-03-27T17:07:21Z)
• Foundation-Model Surrogates Enable Data-Efficient Active Learning for Materials Discovery [12.870479903068665]
  In-Context Active Learningは従来のサロゲートをTabPFNに置き換える。 TabPFNは、何百万もの合成回帰タスクで事前訓練されたトランスフォーマーベースの基礎モデルである。 強力な小さなデータレグレッションパフォーマンスと、十分にキャリブレーションされた予測の不確実性を提供します。
  論文  参考訳（メタデータ） (2026-03-13T01:57:09Z)
• Prediction of Diffusion Coefficients in Mixtures with Tensor Completion [0.5039813366558306]
  二成分混合物の無限希釈における温度依存性拡散係数を予測するためのハイブリッドテンソル補完法(TCM)を提案する。 TCMは268Kから378Kの間の任意の温度に線形に外挿し、予測精度が著しく向上した。 予測性能をさらに向上するため,実験データベースをアクティブラーニング戦略を用いて拡張した。
  論文  参考訳（メタデータ） (2026-02-26T16:08:50Z)
• Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
  共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。 共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
  論文  参考訳（メタデータ） (2025-11-23T00:50:33Z)
• Elucidating microstructural influences on fatigue behavior for additively manufactured Hastelloy X using Bayesian-calibrated crystal plasticity model [0.0]
  結晶塑性モデリング(CPモデリング)は材料の機械的挙動を予測する重要なツールである。 本稿では,疲労負荷条件下での最適CPモデルパラメータの同定に最適化(BO)を用いる頑健な手法を提案する。
  論文  参考訳（メタデータ） (2024-12-06T15:46:37Z)
• Deterministic and statistical calibration of constitutive models from full-field data with parametric physics-informed neural networks [36.136619420474766]
  フルフィールド変位データからモデルキャリブレーションを行うためのパラメトリック物理インフォームドニューラルネットワーク(PINN)について検討した。 PINNの高速評価により、ほぼリアルタイムでキャリブレーションを行うことができる。
  論文  参考訳（メタデータ） (2024-05-28T16:02:11Z)
• Data-free Weight Compress and Denoise for Large Language Models [96.68582094536032]
  パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。 キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:51:47Z)
• Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
  最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。 この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-07T23:21:25Z)
• Deep learning extraction of band structure parameters from density of states: a case study on trilayer graphene [45.61296767255256]
  包括的定量的理論の鍵となる要件は、材料のバンド構造パラメータの正確な決定である。 本稿では、ディープニューラルネットワークを用いた実験データからバンド構造パラメータを導出する一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-12T15:24:42Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。